Selección de atributos
|
|
- Salvador Contreras Ruiz
- hace 6 años
- Vistas:
Transcripción
1 Selección de atributos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1
2 Contenido Introducción Clasificación de las técnicas Esquema General Evaluadores Subconjuntos Ranking Métodos de Búsqueda Referencias 2
3 Introducción (I) Los algoritmos de selección de características tienen dos objetivos principales: Reducir el coste computacional asociado tanto al aprendizaje como al propio modelo de conocimiento generado (eliminando atributos irrelevantes o redundantes) Aumentar la precisión de dicho modelo (eliminando atributos perjudiciales para el aprendizaje). 3
4 Introducción (II) Para llevar a cabo su objetivo, los métodos de selección realizan una búsqueda supervisada sobre el espacio de características, aplicando una función criterio que evalúa la calidad del subconjunto seleccionado. Dicha búsqueda suele ser heurística, ya que una búsqueda exhaustiva supone un problema combinatorio, resultando ésta enormemente costosa. Para su mejor funcionamiento precisa de una limpieza previa de los datos (outliers, valores ausentes, ruido, ) 4
5 Clasificación de las Técnicas Según la función criterio o Evaluador: Wrappers: la función criterio utilizada es el propio conjunto de reglas generadas por el algoritmo de aprendizaje que posteriormente se usará en la clasificación. Filtros: la función de criterio es independiente del algoritmo de aprendizaje, usando medidas de distancia, información o dependencia. Según el resultado: Individual: genera un ranking de atributos con todos Subconjunto: genera un subconjunto de atributos 5
6 Esquema General EVALUADOR: Individual (Ranking) Subconjunto MÉTODO DE BÚSQUEDA: En función del Evaluador 6
7 Esquema General (Weka [1]) Subconjuntos (-SubsetEval) Ranking (-AttributeEval) 7
8 Evaluadores - Subconjuntos (I) CFS [2]: Filtro Evaluador basado en correlaciones: Maximiza la correlación con la clase y minimiza la intercorrelación del subconjunto WEKA: AttributeSelection CfsSubsetEval ClassifierSubsetEval: Wrapper Usa un clasificador para evaluar los diferentes conjuntos que se obtienen con el método de búsqueda sin hacer validación cruzada WEKA: AttributeSelection ClassifierSubsetEval WrapperSubsetEval: Wrapper Igual que el anterior pero con validación cruzada de n folds (n es un parámetro que por defecto es 5) WEKA: AttributeSelection WrapperSubsetEval 8
9 Evaluadores - Subconjuntos (II) ConsistencySubsetEval: Filtro TODOS ATRIBUTOS DISCRETOS O DISCRETIZADOS Elige el subconjunto más consistente respecto a la clase: Inconsistencia: Quita un atributo y si hay ejemplos iguales con distinta clase, hay inconsistencia, luego el atributo es importante. Inconveniente: Atributos como el DNI son seleccionados por ser de consistencia máxima WEKA: AttributeSelection ConsistencySubsetEval 9
10 Evaluadores Ranking RELIEF: Mira el k-vecino más cercano y el k-enemigo más cercano (10 vecinos por defecto) y pondera los atributos mediante una fórmula (depende de la versión) WEKA: AttributeSelection ReliefFAtributeEval Ganancia de Información (atributos discretos): Ganancia(Class, Atrib) = H(Class) - H(Class Attribute) WEKA: AttributeSelection InfogainAttributeEval Razón de Ganancia (atributos discretos): GainR(Class, Attribute) = (H(Class) - H(Class Attribute)) / H(Attribute) WEKA: AttributeSelection GainRatioAttributeEval Chi2 (atributos discretos): Usa estadístico Chi-cuadrado WEKA: AttributeSelection ChiSquaredAttributeEval 10
11 Métodos de Búsqueda El método de búsqueda va a depender del evaluador seleccionado previamente. Si es un Evaluador Individual (Ranking), el único método de búsqueda es Ranker Si es un Evaluador de Subconjuntos: Greedy (GreedyStepwise): Coge el mejor de todos, luego la mejor pareja que lo incluye, luego el mejor trío que incluye a los anteriores. Así hasta que no hay mejora. Primero el mejor (BestFirst): Lo mismo que Greedy pero aplicando Backtracking con un número máximo de regresos (5 por defecto) Exhaustiva (ExhaustiveSearch): Todos los posibles subconjuntos Aleatoria (RandomSearch) Algoritmo Genético (GeneticSearch) Y muchos más. 11
12 Aplicación a Precios de la energía eléctrica 24 horas del dia d Selección atributos-precios horas del día d
13 Aplicación a Precios de la energía eléctrica 24 horas del día d Selección de Atributos-Precios horas del día d
14 Ejercicio 1: Glass2 Eliminar valores perdidos Ejecute los 4 evaluadores de subconjuntos con el método de búsqueda BestFirst sin validación cruzada ( Use full training set) CfsSubsetEval ClassifierSubsetEval (clasificador IB1 y UseTraining = true) WapperSubsetEval (clasificador IB1) ConsistencySubsetEval Anotar en la tabla los atributos seleccionados Clasificar con 1 vecino más cercano anotando en la tabla el error obtenido con las 5 bases de datos (la original y las cuatro nuevas). 14
15 Ejercicio 1: Glass2 Evaluador CfsSubsetEval ClassifierSubsetEval WapperSubsetEval ConsistencySubsetEval Ninguno Atributos seleccionados Todos IB1 (10-CV) 15
16 Ejercicio 2: Repetir el ejercicio 1 con las bases de datos de la UCI autos colic iris wine 16
17 Ejercicio 3: Demanda de energía eléctrica Descripción 24 atributos correspondientes a la demanda de energía de las 24 horas antes (h1,,h24) a la que se quiere predecir que corresponde con el atributo clase (h25) 1) Establecer una comparación entre los atributos seleccionados usando distintos Evaluadores de subconjuntos y distintos métodos de búsqueda. 2) Obtener modelos de regresión lineal CON y SIN selección de atributos (WEKA:ClassifierFunctionsLinearRegression) 3) Usar esos modelos para predecir, comparando los errores de predicción 17
18 Referencias [1] Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques Morgan Kaufmann, June [2] Mark A. Hall. Correlation-based Feature Selection for Machine Learning. PhD thesis, Waikato University, Hamilton, NZ, [3] Kira, Kenji and Rendell, L.A.: A Practical Approach to Feature Selection. ICML International Conference on Machine Learning, pages , 1992 [4] A. Blum, P. Langley. Selection of relevant features and examples in machine learning. In: R. Greiner, D. Subramanian (Eds) Artificial Intelligence on Relevance: pp , [5] H. Liu, L. Yu. Toward integrating feature selection algorithms for classification and clustering. IEEE Transactions on Knowledge and Data Engineering, Vol. 17, pp. 1-12, [6] R. Ruiz, J. C. Riquelme, J. S. Aguilar-Ruiz. Incremental wrapper-based gene selection from microarray expression data for cancer classification. Pattern Recognition, Vol. 39, pp ,
Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012
Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces
Más detallesPredicción basada en vecinos
Predicción basada en vecinos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Esquema de predicción directa Predicción basada
Más detallesTécnicas de Preprocesado
Técnicas de Preprocesado Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Por qué preprocesar p los datos? Técnicas de filtro Depuración
Más detallesBúsqueda secuencial de subconjuntos de atributos sobre un ranking. Roberto Ruiz, José C. Riquelme y Jesús S. Aguilar Ruiz
Búsqueda secuencial de subconjuntos de atributos sobre un ranking Roberto Ruiz, José C. Riquelme y Jesús S. Aguilar Ruiz Departamento de Lenguajes y Sistemas Informáticos ETS Ingeniería Informática Universidad
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesSelección de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Selección de Atributos Dr. Jesús Ariel Carrasco Ochoa ariel@inaoep.mx Oficina 8311 Contenido Introducción Estrategias de selección Técnicas filter Técnicas wrapper Técnicas híbridas Selección de atributos
Más detallesQué es big dimension? Verónica Bolón Canedo 2/30
Qué es big dimension? Verónica Bolón Canedo 2/30 Big dimension En esta nueva era de Big Data, los métodos de aprendizaje máquina deben adaptarse para poder tratar con este volumen de datos sin precedentes.
Más detallesTema 12. Selección de Variables
Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesM1. FUNDAMENTOS DE MINERÍA DE DATOS
MÁSTER OFICIAL DE LA UNIVERSIDAD DE GRANADA "SOFT COMPUTING Y SISTEMAS INTELIGENTES" M1. FUNDAMENTOS DE MINERÍA DE DATOS J.L. CUBERO, F. BERZAL, F. HERRERA Dpto. Ciencias de la Computación e I.A. Universidad
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN PROGRAMA DE LA MATERIA CORRESPONDIENTE A LA INGENIERÍA EN CIENCIAS DE LA COMPUTACIÓN Coordinación: NOMBRE DE LA MATERIA: Área
Más detallesTÓPICOS SELECTOS DE OTROS CURSOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: TÓPICOS SELECTOS DE OTROS CURSOS DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):
Más detallesRicardo Aler Mur SELECCIÓN Y GENERACIÓN DE ATRIBUTOS-I
Ricardo Aler Mur SELECCIÓN Y GENERACIÓN DE ATRIBUTOS-I En esta clase se habla de una parte importante del preprocesado de datos: la selección y generación de atributos. La selección de atributos consiste
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN Módulo Titulación GRADO EN INGENIERÍA INFORMÁTICA (463) Plan 463 Código 45209 Periodo de impartición 2º CUATRIMESTRE
Más detallesGUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO. CURSO ACADÉMICO - SEMESTRE Primer semestre
GUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre FECHA DE PUBLICACIÓN Julio - 2015 Datos Descriptivos Nombre de la Asignatura
Más detallesAseguramiento de la calidad y pruebas de software
Y yo qué hago aquí? Weka Aseguramiento de la calidad y pruebas de software 5- Pruebas del software 2a parte estándar IEEE-1012 Automatización de pruebas unitarias 1a parte Blanca A. Vargas Govea vargasgovea@itesm.mx
Más detallesAprendizaje Automático
id3 id3 como búsqueda Cuestiones Adicionales Regresión Lineal. Árboles y Reglas de Regresión Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje
Más detallesFeature selection applying algorithms base on rough set and ant colony optimization
Tipo de artículo: Artículo de revisión Temática: Inteligencia artificial Recibido: 7/05/2013 Aceptado: 2/10/2013 Publicado: 21/01/2014 Selección de atributos relevantes aplicando algoritmos que combinan
Más detallesIntroducción a los sistemas Multiclasificadores. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid
Introducción a los sistemas Multiclasificadores Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Combinación de modelos 2. Descomposición bias-varianza 3. Bagging
Más detallesMinería de Datos aplicada a la Detección de factores para la prevención de incidentes informáticos.
Minería de Datos aplicada a la Detección de factores para la prevención de incidentes informáticos. Corso Cynthia, García Alejandro, Ciceri Leonardo, Romero Fernando. Laboratorio de Sistemas de Información
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 615000365 - PLAN DE ESTUDIOS 61SI - CURSO ACADÉMICO Y SEMESTRE 2017/18 - Segundo semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detallesEstadística Predictiva para Horarios en el Transporte Urbano
Estadística Predictiva para Horarios en el Transporte Urbano Tomás J. Moreyra FaMAF Resumen En este trabajo presentamos una primera aproximación a la predicción de los horarios de llegada reales de transporte
Más detallesGUÍA DOCENTE. Curso 2012-2013. Ingeniería Informática en Sistemas de Información Doble Grado:
1. DESCRIPCIÓN DE LA ASIGNATURA Grado: Ingeniería Informática en Sistemas de Información Doble Grado: Asignatura: Minería de Datos Módulo: Modulo 8 Departamento: Deporte e Informática Año académico: 2012/2013
Más detallesInterfaces de programación de aplicaciones para minería de datos. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Interfaces de programación de aplicaciones para minería de datos PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Software a instalar para el curso RapidMiner Community Edition http://rapid-i.com/content/view/181/190/
Más detallesInterfaces de programación de aplicaciones para minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Interfaces de programación de aplicaciones para minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Software instalado para el curso RapidMiner Community Edition
Más detallesAproximación evolutiva a la inducción constructiva basada en expresiones algebraicas
Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Manuel Baena García, Rafael Morales Bueno y Carlos Cotta Porras Workshop MOISES Septiembre 2004 1/15 Contenido Inducción
Más detallesMinería de datos Unidad 2. El proceso KDD
Minería de datos Unidad 2. El proceso KDD M en I Sara Vera Noguez 2. La minería de datos en el proceso de KDD Etapas de proceso de KDD: 1) Integración y recopilación 2) Selección, Limpieza (también llamada
Más detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión. 2. Algoritmo básico: divide y vencerás. 3. Heurística para la selección de atributos. 4. Espacio de
Más detallesAplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
Más detallesWeka: Waitako Environment for Knowledge Analysis
Weka: Waitako Environment for Knowledge Analysis Introducción Explorer Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenidos Fuentes Introducción The Explorer Introducción
Más detallesRandom Subspace Method. Índice. 1. Random Subspace Method. 1. Introducción. 2. Objetivo. 3. Implementación. 4. Evaluación. 5.
The Random Subspace Method for Constructing Decision Forests (IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 20, NO. 8, AUGUST 1998) Iñigo Barandiaran 1 Índice 1. Random Subspace
Más detallesINTELIGENCIA DE NEGOCIO
INTELIGENCIA DE NEGOCIO 2016-2017 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión y series temporales
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesClasificación de patrones Introducción
Clasificación de patrones Introducción Jordi Porta Zamorano Escuela Politécnica Superior Universidad Autónoma de Madrid jordi.porta@uam.es Dept. de Lingü ıstica Computacional Real Academia Española porta@rae.es
Más detallesEstadística Computacional
Estadística Computacional Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María Estructura del Curso 1.- Introducción. 2.- Análisis Exploratorio de Datos. 3.-
Más detallesESTUDIO DEL COMPORTAMIENTO DE LA MORTALIDAD EN CHILE BASADO EN LA MINERÍA DE DATOS Y ANÁLISIS PREDICTIVOS
PONTIFICIA UNIVERSIDAD CATÓLICA DE VALPARAÍSO FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA INFORMÁTICA ESTUDIO DEL COMPORTAMIENTO DE LA MORTALIDAD EN CHILE BASADO EN LA MINERÍA DE DATOS Y ANÁLISIS PREDICTIVOS
Más detallesPrograma(s) Educativo(s): Clave de la materia: Semestre:
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA MINERÍA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: Área en plan
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesEvaluación de Rankings de Atributos para Clasificación
Evaluación de Rankings de Atributos para Clasificación Roberto Ruiz, Jesús S. Aguilar Ruiz, and José C. Riquelme Departamento de Lenguajes y Sistemas Informáticos Universidad de Sevilla, Sevilla, España
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesPrograma Educativo (PE): Ingeniería en Ciencias de la Computación. Área: Tecnología. Programa de Asignatura: Minería de Datos.
Programa Educativo (PE): Ingeniería en Ciencias de la Computación Área: Tecnología Programa de Asignatura: Minería de Datos Código: CCOM-606 Créditos: 5 Fecha: Julio de 2009 1 1. DATOS GENERALES Nivel
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesPrograma Educativo (PE): Licenciatura en Ciencias de la Computación. Área: Tecnología. Programa de Asignatura: Minería de Datos.
Programa Educativo (PE): Licenciatura en Ciencias de la Computación Área: Tecnología Programa de Asignatura: Minería de Datos Código: CCOM-606 Créditos: 5 Fecha: Julio de 2009 1 1. DATOS GENERALES Nivel
Más detallesProyecto Final Detección de fraude en tarjeta de crédito
Proyecto Final Detección de fraude en tarjeta de crédito Reconocimiento de Patrones Autores Ignacio Gómez Ana Clara Rodríguez Reconocimiento de Patrones Instituto de Ingeniería Eléctrica Montevideo, Uruguay
Más detallesMétodos para Determinar el Atributo Distinguido en Multiredes Bayesianas
Métodos para Determinar el Atributo Distinguido en Multiredes Bayesianas Andrés Cano Utrera Fco. Javier García Castellano Andrés R. Masegosa Arredondo Serafín Moral Callejón Uncertainty Treatment in Artificial
Más detallesMétodos basados en instancias. K-vecinos, variantes
Métodos basados en instancias K-vecinos, variantes Contenido 1. Caracterización 2. K-vecinos más próximos 3. Mejoras al algoritmo básico 4. Bibliografía 2 1. Caracterización Forma más sencilla de aprendizaje:
Más detallesAutores: Carlos Aguilar Aguilar 1, Viviana R. Toledo Rivero 2, Kadir Hector Ortíz 3, Institución: UMET, Quito, Ecuador Universidad de Cienfuegos, Cuba
Determinación de rasgos útiles al proceso de aprendizaje automático sobre el conjunto de datos en estudiantes de 1er y 2do año de Ingeniería Informática en Cienfuegos Autores: Carlos Aguilar Aguilar 1,
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesSelección de características. Reconocimiento de Patrones 2013
Selección de características Reconocimiento de Patrones 2013 Selección de características Estrategia de búsqueda óptima o sub-optima para la selección de un sub-conjunto de características para el diseño
Más detallesGUÍA DOCENTE. Ingeniería Informática en Sistemas de Información. Ingeniería del Software, Sistemas de Información y Sistemas Inteligentes
1. DESCRIPCIÓN DE LA ASIGNATURA Grado: Ingeniería Informática en Sistemas de Información Asignatura: Inteligencia Artificial Módulo: Ingeniería del Software, Sistemas de Información y Sistemas Inteligentes
Más detallesTema 7: Aprendizaje de árboles de decisión
Inteligencia Artificial 2 Curso 2002 03 Tema 7: Aprendizaje de árboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de
Más detallesRicardo Aler Mur CLASIFICADORES KNN-I
Ricardo Aler Mur CLASIFICADORES KNN-I En esta clase se habla del aprendizaje de modelos de clasificación y regresión basados en instancias o ejemplares. En concreto: Se define la clasificación y regresión
Más detallesMINERIA DE DATOS USANDO SISTEMAS INTELIGENTES
MINERIA DE DATOS USANDO SISTEMAS INTELIGENTES Año 2017 Carrera/Plan: Licenciatura en Sistemas Licenciatura en Informática Área: Algoritmos y Lenguajes Año: 4º o 5º año Régimen de Cursada: Semestral Carácter:
Más detallesMINERIA DE DATOS USANDO SISTEMAS INTELIGENTES
MINERIA DE DATOS USANDO SISTEMAS INTELIGENTES Año 2015 Carrera/Plan: Licenciatura en Sistemas Licenciatura en Informática Área: Algoritmos y Lenguajes Año: 4º o 5º año Régimen de Cursada: Semestral Carácter:
Más detallesIntroducción Aprendizaje de Máquina. Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez
Introducción Aprendizaje de Máquina Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez Qué es Aprendizaje de Máquina? "Field of study that gives computers the ability to learn without being explicitly
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesMÁSTER EN INGENIERÍA DE LOS RECURSOS NATURALES TRABAJO FINAL DE MÁSTER
MÁSTER EN INGENIERÍA DE LOS RECURSOS NATURALES TRABAJO FINAL DE MÁSTER ESTUDIO COMPARATIVO SOBRE ACCIDENTES LABORALES EN EL SECTOR MINERO ESPAÑOL, A CIELO ABIERTO Y SUBTERRÁNEO, MEDIANTE EL USO DE TÉCNICAS
Más detallesA3. Ciencia de datos y aprendizaje automático
A3. Ciencia de datos y aprendizaje automático MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL UNIVERSIDAD INTERNACIONAL MENÉNDEZ PELAYO Este documento puede utilizarse como documentación
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA GRADO DE INGENIERÍA INFORMÁTICA CURSO 2013/14 ASIGNATURA: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES
ESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA GRADO DE INGENIERÍA INFORMÁTICA CURSO 2013/14 ASIGNATURA: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES DATOS DE LA ASIGNATURA Denominación: INTRODUCCIÓN A LOS MODELOS
Más detallesÁrea Académica: Sistemas Computacionales. Tema: Explotación de un Almacén de Datos: Herramientas OLAP. Profesor: Mtro Felipe de Jesus Nuñez Cardenas
Área Académica: Sistemas Computacionales Tema: Explotación de un Almacén de Datos: Herramientas OLAP Profesor: Mtro Felipe de Jesus Nuñez Cardenas Periodo:Agosto Noviembre 2011 Keywords Herramientas OLAP,
Más detallesMétodo de Selección de Atributos por Clase
Método de Selección de Atributos por Clase por Bárbara Berenice Pineda Bautista Tesis sometida como requisito parcial para obtener el grado de MAESTRO EN CIENCIAS EN EL ÁREA DE CIENCIAS COMPUTACIONALES
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesTécnicas de Predicción para la Eficiencia Energética en Smart Cities
Técnicas de Predicción para la Eficiencia Energética en Smart Cities Fernando J. Isorna 1, Alicia Troncoso 1 1 Departamento de Ingeniería Informática, Universidad Pablo de Olavide fjisoret@alumno.upo.es,
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesMINERIA DE DATOS USANDO SISTEMAS INTELIGENTES
MINERIA DE DATOS USANDO SISTEMAS INTELIGENTES Año 2018 Carrera/Plan: Licenciatura en Sistemas Licenciatura en Informática Área: Algoritmos y Lenguajes Año: 4º o 5º año Régimen de Cursada: Semestral Carácter:
Más detallesPREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
Más detallesGUÍA DOCENTE Minería de Datos
GUÍA DOCENTE 2017-2018 Minería de Datos 1. Denominación de la asignatura: Minería de Datos Titulación Grado en Ingeniería Informática Código 6388 2. Materia o módulo a la que pertenece la asignatura: Sistemas
Más detallesANÁLISIS DE DATOS DE LOS ENTORNOS VIRTUALES DE APRENDIZAJE, USANDO TÉCNICAS DE MINERÍA DE DATOS.
ANÁLISIS DE DATOS DE LOS ENTORNOS VIRTUALES DE APRENDIZAJE, USANDO TÉCNICAS DE MINERÍA DE DATOS. Bernabé Ortega, Rodrigo Aguilar, Viviana Quevedo Facultad de Sistemas Mercantiles, Universidad Autónoma
Más detallesA3. Ciencia de datos y aprendizaje automático
A3. Ciencia de datos y aprendizaje automático MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL UNIVERSIDAD INTERNACIONAL MENÉNDEZ PELAYO Este documento puede utilizarse como documentación
Más detallesUna revisión a algoritmos de selección de atributos que tratan la redundancia en datos microarreglos
Tipo de artículo: Artículo de revisión Temática: Inteligencia artificial Recibido: 18/10/2012 Aceptado: 25/10/2013 Publicado: 10/12/2013 Una revisión a algoritmos de selección de atributos que tratan la
Más detallesDirectores: Dr. D. José C. Riquelme Santos Dr. D. Jesús S. Aguilar Ruiz
HEURÍSTICAS DE SELECCIÓN DE ATRIBUTOS PARA DATOS DE GRAN DIMENSIONALIDAD DEPARTAMENTO DE LENGUAJES Y SISTEMAS INFORMÁTICOS Memoria de Tesis Doctoral para optar al grado de Doctor en Informática por la
Más detallesCaracterización de la deserción universitaria en la UNRN utilizando Minería de Datos. Un caso de estudio.
Caracterización de la deserción universitaria en la UNRN utilizando Minería de Datos. Un caso de estudio. Sonia Formia 1, Laura Lanzarini 2, Waldo Hasperué 3 1 Laboratorio de Informática Aplicada LIA-
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesOptimización global en espacios restringidos mediante el sistema inmune artificial.
Optimización global en espacios restringidos mediante el sistema inmune artificial. Tesista: Daniel Trejo Pérez dtrejo@computacion.cs.cinvestav.mx Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Más detallesClasificación de estados cerebralesusando neuroimágenes funcionales
Clasificación de estados cerebralesusando neuroimágenes funcionales Clase 2: Reconocimiento de patrones en datos de neuroimagenes Enzo Tagliazucchi (tagliazucchi.enzo@googlemail.com) Primera clase: introducción
Más detallesMódulo Minería de Datos
Módulo Minería de Datos Diplomado Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Preprocesamiento de Datos Preparación de datos El propósito fundamental
Más detallesDatos Generales. 1. Nombre de la Asignatura Estructura de Datos Avanzados y Minería de Datos. 2. Nivel de formación Doctoral
Datos Generales 1. Nombre de la Asignatura Estructura de Datos Avanzados y Minería de Datos 2. Nivel de formación Doctoral 3. Clave de la Asignatura F0454 4. Prerrequisitos F0453 Bases de datos 5. Área
Más detallesVisión global del KDD
Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento
Más detallespara la Selección Simultánea de Instancias y Atributos
Algoritmosde Estimaciónde Distribuciones para la Selección Simultánea de Instancias y Atributos MAEB 2012 Albacete 8 10 Febrero Pablo Bermejo, José A. Gámez, Ana M. Martínez y José M. Puerta Universidad
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES MINERÍA DE DATOS
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES MINERÍA DE DATOS Programa o Dpto. Maestría en Ciencias de la Información y las Comunicaciones
Más detallesAnálisis de deserción escolar con minería de datos
Análisis de deserción escolar con minería de datos José Luis Aguirre Mendiola 1, Rosa María Valdovinos Rosas 2, Juan Alberto Antonio Velazquez 1,3, Roberto Alejo Eleuterio 3, José Raymundo Marcial Romero
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesTécnicas de análisis estadístico basado en inteligencia artificial
GUÍA DOCENTE: Técnicas de análisis estadístico basado en inteligencia artificial 1. Técnicas de análisis estadístico basado en inteligencia artificial 1.1. Datos de la asignatura Tipo de estudios Máster
Más detallesGUÍA DOCENTE DE LA ASIGNATURA CURSO MÁSTER UNIVERSITARIO DE INVESTIGACIÓN EN TECNOLOGÍAS DE LA INFORMACIÓN Y LAS COMUNICACIONES 5 ECTS
GUÍA DOCENTE DE LA ASIGNATURA CURSO 2016-17 Denominación de la asignatura Materia TECNOLOGÍAS AVANZADAS DE SISTEMAS INTELIGENTES PARADIGMAS Y TECNOLOGÍAS PARA LOS SISTEMAS Y SERVICIOS INFORMÁTICOS Módulo
Más detallesExploraciones sobre el soporte Multi-Agente en Minería de Datos
Exploraciones sobre el soporte Multi-Agente en Minería de Datos Alejandro Guerra-Hernández Nicandro Cruz-Ramírez Rosibelda Mondragón-Becerra Departamento de Inteligencia Artificial Facultad de Física e
Más detallesFACIL: Incremental Rule Learning from Data Streams
FCIL: Incremental Rule Learning from Data Streams Francisco J. Ferrer Troyano Jesús S. guilar, José C. Riquelme University of Sevilla ferrer@lsi.us.es Motivation Contents FCIL The hybrid knowledge model
Más detallesSelección de atributos relevantes basada en bootstrapping. Jesús S. Aguilar Ruiz y Norberto Díaz Díaz
Selección de atributos relevantes basada en bootstrapping Jesús S. Aguilar Ruiz y Norberto Díaz Díaz Dept.de Lenguajes y Sistemas Informáticos Universidad de Sevilla ETS Ingeniería Informática 41012 Sevilla
Más detallesMinería de datos. Unidad 2. El proceso KDD Evaluación, difusión y uso. M en I Sara Vera Noguez
Minería de datos Unidad 2. El proceso KDD Evaluación, difusión y uso M en I Sara Vera Noguez El proceso KDD Hernández, 2008 p.20 La parte iterativa Una vez obtenido el modelo se debe evaluar Si satisface
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA
Curso 17/1 DENOMINACIÓN DE LA ASIGNATURA Denominación: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES Código: 11 Plan de estudios: GRADO DE INGENIERÍA INFORMÁTICA Curso: Denominación del módulo al que pertenece:
Más detallesÍndice. Resumen 15 Motivación 15 Desarrollos y aportes 16 Publicaciones derivadas de esta tesis doctoral 19
Índice Resumen 15 Motivación 15 Desarrollos y aportes 16 Publicaciones derivadas de esta tesis doctoral 19 Capítulo 1. Introducción a la Minería de Datos 21 1. Minería de datos 21 1.1. Tipos de datos 24
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Módulo Titulación SISTEMAS INTELIGENTES COMPLEMENTOS DE SISTEMAS DE INFORMACIÓN (vacío) GRADO EN INGENIERÍA INFORMÁTICA DE SISTEMAS (464) Plan 464 45280
Más detalles